Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# MLOps Template Proyek
Template proyek Amazon SageMaker AI mengotomatiskan penyiapan dan implementasi MLOps untuk proyek Anda. Template proyek SageMaker AI adalah produk Service Catalog yang disediakan SageMaker AI untuk pengguna Amazon SageMaker Studio (atau Studio Classic). Produk Service Catalog ini akan terlihat di konsol Service Catalog setelah mengaktifkan izin saat Anda melakukan onboard atau memperbarui Amazon SageMaker Studio (atau Studio Classic). Untuk informasi tentang mengaktifkan izin untuk menggunakan templat proyek SageMaker AI, lihat. [Memberikan Izin SageMaker Studio yang Diperlukan untuk Menggunakan Proyek](sagemaker-projects-studio-updates.md) Gunakan templat proyek SageMaker AI untuk membuat proyek yang merupakan end-to-end MLOps solusi.
Anda dapat menggunakan template SageMaker Projects untuk mengimplementasikan CI/CD. With this template, you can automate the CI/CD pembuatan gambar gambar yang dibuat dan didorong ke Amazon ECR. Perubahan pada file kontainer di repositori kontrol sumber proyek Anda akan memulai pipeline HTML dan menerapkan versi terbaru untuk kontainer Anda. Untuk informasi selengkapnya, lihat blog [Membuat SageMaker Proyek Amazon dengan CI/CD pipeline pembuatan gambar](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-with-image-building-ci-cd-pipelines/).
Jika Anda seorang administrator, Anda dapat membuat templat proyek khusus dari awal atau memodifikasi salah satu templat proyek yang disediakan oleh SageMaker AI. Pengguna Studio (atau Studio Classic) di organisasi Anda dapat menggunakan templat proyek khusus ini untuk membuat proyek mereka.
**Topics**
+ [Gunakan SageMaker Template Proyek yang disediakan AI](sagemaker-projects-templates-sm.md)
+ [Buat Template Proyek Kustom](sagemaker-projects-templates-custom.md)
# Gunakan SageMaker Template Proyek yang disediakan AI
**penting**
Per 28 Oktober 2024, AWS CodeCommit template telah dihapus. Untuk proyek baru, pilih dari templat proyek yang tersedia yang menggunakan repositori Git pihak ketiga.
Amazon SageMaker AI menyediakan template proyek yang membuat infrastruktur yang Anda butuhkan untuk membuat MLOps solusi untuk integrasi berkelanjutan dan penerapan berkelanjutan (CI/CD) model ML. Gunakan templat ini untuk memproses data, mengekstrak fitur, melatih dan menguji model, mendaftarkan model di Registri SageMaker Model, dan menerapkan model untuk inferensi. Anda dapat menyesuaikan kode benih dan file konfigurasi agar sesuai dengan kebutuhan Anda.
**catatan**
Peran tambahan diperlukan untuk menggunakan templat proyek. Untuk daftar lengkap peran dan instruksi yang diperlukan tentang cara membuatnya, lihat[Memberikan Izin SageMaker Studio yang Diperlukan untuk Menggunakan Proyek](sagemaker-projects-studio-updates.md). Jika Anda tidak memiliki peran baru, Anda akan mendapatkan pesan kesalahan **tidak CodePipeline diizinkan untuk melakukan AssumeRole peran arn:aws:iam: :xxx: role/service-role/AmazonSageMakerServiceCatalogProductsCodePipelineRole** ketika Anda mencoba membuat proyek baru dan tidak dapat melanjutkan.
SageMaker Template proyek AI menawarkan pilihan repositori kode, alat otomatisasi alur kerja, dan tahapan pipeline berikut:
+ **Repositori kode: Repositori** Git pihak ketiga seperti dan Bitbucket GitHub
+ **Otomatisasi alur kerja CI/CD**: atau Jenkins AWS CodePipeline
+ **Tahapan pipa**: Pembuatan model dan pelatihan, penerapan model, atau keduanya
Diskusi berikut memberikan gambaran umum dari setiap template yang dapat Anda pilih saat Anda membuat proyek SageMaker AI Anda. Anda juga dapat melihat template yang tersedia di Studio (atau Studio Classic) dengan mengikuti [panduan [Create the Project](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html#sagemaker-proejcts-walkthrough-create) of the Project](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html).
Untuk step-by-step petunjuk tentang cara membuat proyek nyata, Anda dapat mengikuti salah satu panduan proyek:
+ Jika Anda ingin menggunakan template[MLOps template untuk pembuatan model, pelatihan, dan penerapan dengan menggunakan Git pihak ketiga CodePipeline](#sagemaker-projects-templates-git-code-pipeline), lihat[Berjalan Melalui MLOps Proyek SageMaker AI Menggunakan Repo Git Pihak Ketiga](sagemaker-projects-walkthrough-3rdgit.md).
+ Jika Anda ingin menggunakan template[MLOps template untuk pembuatan model, pelatihan, dan penerapan dengan repositori Git pihak ketiga menggunakan Jenkins](#sagemaker-projects-templates-git-jenkins), lihat [Membuat SageMaker Proyek Amazon menggunakan kontrol sumber pihak ketiga dan Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/).
**Topics**
## MLOps template untuk pembuatan model, pelatihan, dan penerapan dengan menggunakan Git pihak ketiga CodePipeline
+ **Repositori kode: Git** Pihak Ketiga.
**catatan**
Buat AWS CodeStar koneksi dari AWS akun Anda ke GitHub pengguna atau organisasi Anda. Tambahkan tag dengan kunci `sagemaker` dan nilai `true` ke AWS CodeStar koneksi ini.
+ Otomatisasi **alur kerja CI/CD**: AWS CodePipeline
### Membangun model dan pelatihan
Template ini menyediakan sumber daya berikut:
+ Asosiasi dengan satu repositori Git yang ditentukan pelanggan. Repositori berisi kode contoh yang membuat pipeline Amazon SageMaker AI dalam kode Python dan menunjukkan cara membuat dan memperbarui pipeline AI. SageMaker Repositori ini juga memiliki contoh notebook Python yang dapat Anda buka dan jalankan di Studio (atau Studio Classic).
+ AWS CodePipeline Pipa yang memiliki sumber dan langkah pembuatan. Langkah sumber menunjuk ke repositori Git pihak ketiga. Langkah build mendapatkan kode dari repositori itu, membuat dan memperbarui pipeline SageMaker AI, memulai eksekusi pipeline, dan menunggu eksekusi pipeline selesai.
+ Sebuah AWS CodeBuild proyek untuk mengisi repositori Git dengan informasi kode benih. Ini memerlukan AWS CodeStar koneksi dari akun Anda Akun AWS ke akun Anda di host repositori Git.
+ Bucket Amazon S3 untuk menyimpan artefak, termasuk CodePipeline dan artefak, dan CodeBuild artefak apa pun yang dihasilkan dari pipa AI berjalan. SageMaker
### Deployment model
Template ini menyediakan sumber daya berikut:
+ Asosiasi dengan satu repositori Git yang ditentukan pelanggan. Repositori berisi kode sampel yang menyebarkan model ke titik akhir di lingkungan pementasan dan produksi.
+ AWS CodePipeline Pipeline yang memiliki sumber, build deploy-to-staging, dan deploy-to-production langkah-langkah. Langkah sumber menunjuk ke repositori Git pihak ketiga dan langkah build mendapatkan kode dari repositori itu dan menghasilkan CloudFormation tumpukan untuk diterapkan. deploy-to-productionLangkah-langkah deploy-to-staging dan menyebarkan CloudFormation tumpukan ke lingkungan masing-masing. Ada langkah persetujuan manual antara langkah pementasan dan pembuatan produksi, sehingga seorang MLOps insinyur harus menyetujui model sebelum dikerahkan ke produksi.
+ Sebuah AWS CodeBuild proyek untuk mengisi repositori Git dengan informasi kode benih. Ini memerlukan AWS CodeStar koneksi dari akun Anda Akun AWS ke akun Anda di host repositori Git.
+ Bucket Amazon S3 untuk menyimpan artefak, termasuk CodePipeline dan artefak, dan CodeBuild artefak apa pun yang dihasilkan dari pipa AI berjalan. SageMaker
### Pembuatan model, pelatihan, dan penyebaran
Template ini menyediakan sumber daya berikut:
+ Asosiasi dengan satu atau lebih repositori Git yang ditentukan pelanggan.
+ AWS CodePipeline Pipeline yang memiliki sumber, build deploy-to-staging, dan deploy-to-production langkah-langkah. Langkah sumber menunjuk ke repositori Git pihak ketiga dan langkah build mendapatkan kode dari repositori itu dan menghasilkan CloudFormation tumpukan untuk diterapkan. deploy-to-productionLangkah-langkah deploy-to-staging dan menyebarkan CloudFormation tumpukan ke lingkungan masing-masing. Ada langkah persetujuan manual antara langkah pementasan dan pembuatan produksi, sehingga seorang MLOps insinyur harus menyetujui model sebelum dikerahkan ke produksi.
+ Sebuah AWS CodeBuild proyek untuk mengisi repositori Git dengan informasi kode benih. Ini memerlukan AWS CodeStar koneksi dari AWS akun Anda ke akun Anda di host repositori Git.
+ Bucket Amazon S3 untuk menyimpan artefak, termasuk CodePipeline dan artefak, dan CodeBuild artefak apa pun yang dihasilkan dari pipa AI berjalan. SageMaker
Seperti disebutkan sebelumnya, lihat [Panduan Proyek Menggunakan Repo Git Pihak Ketiga](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough-3rdgit.html) untuk demonstrasi yang menggunakan template ini untuk membuat proyek nyata.
## MLOps template untuk pembuatan model, pelatihan, penyebaran, dan Amazon SageMaker Model Monitor menggunakan CodePipeline
+ **Repositori kode: Git** Pihak Ketiga.
**catatan**
Buat AWS CodeStar koneksi dari AWS akun Anda ke GitHub pengguna atau organisasi Anda. Tambahkan tag dengan kunci `sagemaker` dan nilai `true` ke AWS CodeStar koneksi ini.
+ Otomatisasi **alur kerja CI/CD**: AWS CodePipeline
Template berikut menyertakan template Amazon SageMaker Model Monitor tambahan yang menyediakan jenis pemantauan berikut:
+ [Kualitas Data](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html) - Memantau penyimpangan dalam kualitas data.
+ [Kualitas Model](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html) — Pantau penyimpangan dalam metrik kualitas model, seperti akurasi.
+ [Bias Drift untuk Model dalam Produksi](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html) — Pantau bias dalam prediksi model.
### Pembuatan model, pelatihan, penyebaran, dan Monitor SageMaker Model Amazon
Template ini adalah ekstensi dari MLOps template untuk pembuatan model, pelatihan, dan penyebaran dengan menggunakan repositori Git. CodePipeline Ini mencakup komponen pembuatan model, pelatihan, dan penerapan template, dan template Amazon SageMaker Model Monitor tambahan yang menyediakan jenis pemantauan berikut:
### Pantau model yang digunakan
Anda dapat menggunakan template ini untuk MLOps solusi untuk menerapkan satu atau lebih kualitas data Amazon SageMaker AI, kualitas model, bias model, dan monitor penjelasan model untuk memantau model yang diterapkan pada titik akhir inferensi AI. SageMaker Template ini menyediakan sumber daya berikut:
+ Asosiasi dengan satu atau lebih repositori Git yang ditentukan pelanggan. Repositori berisi contoh kode Python yang mendapatkan [garis dasar](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-create-baseline.html) yang digunakan oleh monitor dari Amazon SageMaker Model Registry, dan memperbarui parameter template untuk lingkungan pementasan dan produksi. Ini juga berisi CloudFormation template untuk membuat Monitor SageMaker Model Amazon.
+ AWS CodePipeline Pipeline yang memiliki langkah sumber, pembuatan, dan penerapan. Langkah sumber menunjuk ke CodePipeline repositori. Langkah build mendapatkan kode dari repositori itu, mendapatkan baseline dari Model Registry, dan memperbarui parameter template untuk lingkungan pementasan dan produksi. Langkah-langkah penerapan menyebarkan monitor yang dikonfigurasi ke dalam lingkungan pementasan dan produksi. Langkah persetujuan manual, dalam `DeployStaging` tahap tersebut, mengharuskan Anda memverifikasi bahwa titik akhir SageMaker AI produksi `InService` sebelum menyetujui dan pindah ke panggung. `DeployProd`
+ Sebuah AWS CodeBuild proyek untuk mengisi repositori Git dengan informasi kode benih. Ini memerlukan AWS CodeStar koneksi dari akun Anda Akun AWS ke akun Anda di host repositori Git.
+ Template menggunakan bucket Amazon S3 yang sama yang dibuat oleh MLOps template untuk pembuatan model, pelatihan, dan penerapan untuk menyimpan output monitor.
+ Dua aturan EventBridge peristiwa Amazon memulai Monitor SageMaker Model Amazon AWS CodePipeline setiap kali titik akhir SageMaker AI pementasan diperbarui.
## MLOps template untuk pembuatan model, pelatihan, dan penerapan dengan repositori Git pihak ketiga menggunakan Jenkins
+ **Repositori kode: Git** Pihak Ketiga.
**catatan**
Buat AWS CodeStar koneksi dari AWS akun Anda ke GitHub pengguna atau organisasi Anda. Tambahkan tag dengan kunci `sagemaker` dan nilai `true` ke AWS CodeStar koneksi ini.
+ Otomatisasi **alur kerja CI/CD**: Jenkins
### Pembuatan model, pelatihan, dan penyebaran
Template ini menyediakan sumber daya berikut:
+ Asosiasi dengan satu atau lebih repositori Git yang ditentukan pelanggan.
+ Seed code untuk menghasilkan pipeline Jenkins yang memiliki sumber, build deploy-to-staging, dan deploy-to-production langkah-langkah. Langkah sumber menunjuk ke repositori Git yang ditentukan pelanggan. Langkah build mendapatkan kode dari repositori itu dan menghasilkan dua CloudFormation tumpukan. Langkah-langkah penerapan menyebarkan CloudFormation tumpukan ke lingkungan masing-masing. Ada langkah persetujuan antara langkah pementasan dan langkah produksi.
+ Sebuah AWS CodeBuild proyek untuk mengisi repositori Git dengan informasi kode benih. Ini memerlukan AWS CodeStar koneksi dari AWS akun Anda ke akun Anda di host repositori Git.
+ Bucket Amazon S3 untuk menyimpan artefak proyek SageMaker AI dan SageMaker pipa AI.
Template menciptakan hubungan antara proyek Anda dan repositori kontrol sumber, tetapi Anda perlu melakukan langkah-langkah manual tambahan untuk membangun komunikasi antara AWS akun Anda dan Jenkins. Untuk langkah-langkah mendetail, lihat [Membuat SageMaker Proyek Amazon menggunakan kontrol sumber pihak ketiga dan Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/).
Instruksi membantu Anda membangun arsitektur yang ditunjukkan dalam diagram berikut, dengan GitHub sebagai repositori kontrol sumber dalam contoh ini. Seperti yang ditunjukkan, Anda melampirkan repositori Git Anda ke proyek untuk memeriksa dan mengelola versi kode. Jenkins memulai pipeline build model ketika mendeteksi perubahan pada kode build model di repositori Git. Anda juga menghubungkan proyek ke Jenkins untuk mengatur langkah-langkah penerapan model Anda, yang dimulai saat Anda menyetujui model yang terdaftar di registri model, atau ketika Jenkins mendeteksi perubahan pada kode penerapan model.
![\[\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/projects/projects-templates-gitjenkins.png)
Singkatnya, langkah-langkah memandu Anda melalui tugas-tugas berikut:
1. Buat hubungan antara akun Anda AWS dan GitHub akun.
1. Buat akun Jenkins dan impor plugin yang diperlukan.
1. Buat kebijakan pengguna dan izin Jenkins IAM.
1. Tetapkan AWS kredensional untuk pengguna Jenkins IAM di server Jenkins Anda.
1. Buat token API untuk komunikasi dengan server Jenkins Anda.
1. Gunakan CloudFormation templat untuk menyiapkan EventBridge aturan guna memantau registri model untuk model yang baru disetujui.
1. Buat proyek SageMaker AI, yang menyemai GitHub repositori Anda dengan model build dan deploy code.
1. Buat pipeline build model Jenkins Anda dengan kode benih model build.
1. Buat pipeline penerapan model Jenkins Anda dengan kode benih penerapan model.
## MLOps template untuk pembuatan gambar, pembuatan model, dan penerapan model
Template ini merupakan perpanjangan dari[MLOps template untuk pembuatan model, pelatihan, dan penerapan dengan menggunakan Git pihak ketiga CodePipeline](#sagemaker-projects-templates-git-code-pipeline). Ini mencakup komponen pembuatan model, pelatihan, dan penerapan templat itu dan opsi berikut:
+ Sertakan pemrosesan gambar—membangun pipa
+ Sertakan gambar pelatihan—membangun pipa
+ Sertakan gambar inferensi — membangun pipa
Untuk setiap komponen yang dipilih selama pembuatan proyek, berikut ini dibuat dengan menggunakan template:
+ Repositori ECR Amazon
+ [Sebuah SageMaker Gambar](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateImage.html)
+ CodeCommit Repositori yang berisi Dockerfile yang dapat Anda sesuaikan
+ A CodePipeline yang diprakarsai oleh perubahan pada repositori CodePipeline
+ CodeBuild Proyek yang membangun image Docker dan mendaftarkannya di repositori Amazon ECR
+ EventBridge Aturan yang memulai CodePipeline jadwal
Ketika dimulai, ia membangun wadah Docker baru dan mendaftarkannya dengan repositori Amazon ECR. CodePipeline Ketika wadah baru terdaftar dengan repositori Amazon ECR, yang baru `ImageVersion` ditambahkan ke gambar. SageMaker Ini memulai pipa pembangunan model, yang pada gilirannya memulai pipa penyebaran.
Gambar yang baru dibuat digunakan di bagian pembuatan model, pelatihan, dan penerapan alur kerja jika berlaku.
## Perbarui SageMaker Proyek untuk Menggunakan Repositori Git Pihak Ketiga
Kebijakan terkelola yang dilampirkan pada `AmazonSageMakerServiceCatalogProductsUseRole` peran diperbarui pada 27 Juli 2021 untuk digunakan dengan templat Git pihak ketiga. Pengguna yang onboard ke Amazon SageMaker Studio (atau Studio Classic) setelah tanggal ini dan mengaktifkan templat proyek menggunakan kebijakan baru. Pengguna yang melakukan onboard sebelum tanggal ini harus memperbarui kebijakan untuk menggunakan templat ini. Gunakan salah satu opsi berikut untuk memperbarui kebijakan:
+ Hapus peran dan alihkan pengaturan Studio (atau Studio Classic)
1. Di konsol IAM, hapus`AmazonSageMakerServiceCatalogProductsUseRole`.
1. Di panel kontrol Studio (atau Studio Classic), pilih **Edit Pengaturan**.
1. **Alihkan kedua pengaturan lalu pilih Kirim.**
+ Di konsol IAM, tambahkan izin berikut ke: `AmazonSageMakerServiceCatalogProductsUseRole`
```
{
"Effect": "Allow",
"Action": [
"codestar-connections:UseConnection"
],
"Resource": "arn:aws:codestar-connections:*:*:connection/*",
"Condition": {
"StringEqualsIgnoreCase": {
"aws:ResourceTag/sagemaker": "true"
}
}
},
{
"Effect": "Allow",
"Action": [
"s3:PutObjectAcl"
],
"Resource": [
"arn:aws:s3:::sagemaker-*"
]
}
```
# Buat Template Proyek Kustom
**penting**
Per 28 Oktober 2024, AWS CodeCommit template telah dihapus. Untuk proyek baru, pilih dari templat proyek yang tersedia yang menggunakan repositori Git pihak ketiga. Untuk informasi selengkapnya, lihat [MLOps Template Proyek](sagemaker-projects-templates.md).
Jika templat yang SageMaker disediakan AI tidak memenuhi kebutuhan Anda (misalnya, Anda ingin memiliki orkestrasi yang lebih kompleks CodePipeline dengan beberapa tahap atau langkah persetujuan khusus), buat templat Anda sendiri.
Sebaiknya mulai dengan menggunakan templat SageMaker yang disediakan AI untuk memahami cara mengatur kode dan sumber daya Anda dan membangun di atasnya. **Untuk melakukan ini, setelah Anda mengaktifkan akses administrator ke templat SageMaker AI, masuk ke [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/), pilih **Portofolio**, lalu pilih Diimpor.** Untuk informasi tentang Service Catalog, lihat [Ringkasan Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/what-is_concepts.html) di *Panduan Pengguna Service Catalog*.
Buat template proyek Anda sendiri untuk menyesuaikan MLOps proyek Anda. SageMaker Template proyek AI adalah Katalog Layanan — produk yang disediakan untuk menyediakan sumber daya untuk proyek Anda. MLOps
Untuk membuat template proyek kustom, selesaikan langkah-langkah berikut.
1. Buat portofolio. Untuk selengkapnya, lihat [Langkah 3: Membuat Portofolio Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-portfolio.html).
1. Buat produk. Produk adalah CloudFormation template. Anda dapat membuat beberapa versi produk. Untuk selengkapnya, lihat [Langkah 4: Membuat Produk Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-product.html).
Agar produk dapat bekerja dengan SageMaker Proyek, tambahkan parameter berikut ke template produk Anda.
```
SageMakerProjectName:
Type: String
Description: Name of the project
SageMakerProjectId:
Type: String
Description: Service generated Id of the project.
```
**penting**
Kami menyarankan Anda membungkus CodeCommit repositori ke dalam repositori kode SageMaker AI agar repositori proyek terlihat dalam mode VPC. Template sampel dan penambahan yang diperlukan ditunjukkan dalam contoh kode berikut.
Template asli (sampel):
```
ModelBuildCodeCommitRepository:
Type: AWS::CodeCommit::Repository
Properties:
# Max allowed length: 100 chars
RepositoryName: !Sub sagemaker-${SageMakerProjectName}-${SageMakerProjectId}-modelbuild # max: 10+33+15+10=68
RepositoryDescription: !Sub SageMaker Model building workflow infrastructure as code for the Project ${SageMakerProjectName}
Code:
S3:
Bucket: SEEDCODE_BUCKETNAME
Key: toolchain/model-building-workflow-v1.0.zip
BranchName: main
```
Konten tambahan untuk ditambahkan dalam mode VPC:
```
SageMakerRepository:
Type: AWS::SageMaker::CodeRepository
Properties:
GitConfig:
RepositoryUrl: !GetAtt ModelBuildCodeCommitRepository.CloneUrlHttp
Branch: main
```
1. Tambahkan kendala peluncuran. Batasan peluncuran menunjukkan peran IAM yang diasumsikan oleh Service Catalog saat pengguna meluncurkan produk. Untuk selengkapnya, lihat [Langkah 6: Menambahkan Batasan Peluncuran untuk Menetapkan Peran IAM](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-launchconstraint.html).
1. Menyediakan produk [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/)untuk menguji template. Jika Anda puas dengan template Anda, lanjutkan ke langkah berikutnya untuk membuat template tersedia di Studio (atau Studio Classic).
1. Berikan akses ke portofolio Service Catalog yang Anda buat di langkah 1 ke peran eksekusi Studio (atau Studio Classic) Anda. Gunakan peran eksekusi domain atau peran pengguna yang memiliki akses Studio (atau Studio Classic). Untuk informasi tentang menambahkan peran ke portofolio, lihat [Langkah 7: Memberikan Pengguna Akhir Akses ke Portofolio](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-deploy.html).
1. Agar template proyek Anda tersedia di daftar **templat Organisasi** di Studio (atau Studio Classic), buat tag dengan kunci dan nilai berikut ke produk Service Catalog yang Anda buat di langkah 2.
+ **kunci**: `sagemaker:studio-visibility`
+ **nilai**: `true`
Setelah Anda menyelesaikan langkah-langkah ini, pengguna Studio (atau Studio Classic) di organisasi Anda dapat membuat proyek dengan templat yang Anda buat dengan mengikuti langkah-langkah [Membuat MLOps Proyek menggunakan Amazon SageMaker Studio atau Studio Classic](sagemaker-projects-create.md) dan memilih **templat Organisasi** saat Anda memilih templat.
## Menggunakan template dari bucket Amazon S3
Anda juga dapat membuat SageMaker proyek menggunakan templat yang disimpan di Amazon S3.
**catatan**
Meskipun Anda dapat menggunakan template di AWS Service Catalog, kami sarankan Anda menyimpan template dalam bucket S3 dan membuat proyek menggunakan template tersebut.
### Pengaturan admin
Sebelum Anda dapat membuat proyek menggunakan template dalam bucket S3, lakukan langkah-langkah berikut.
1. [Buat bucket S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html), dan unggah template Anda ke bucket.
1. [Siapkan kebijakan CORS di bucket S3 Anda untuk mengonfigurasi izin akses](https://docs.aws.amazon.com/AmazonS3/latest/userguide/enabling-cors-examples.html).
1. Tambahkan tag nilai kunci berikut ke template sehingga menjadi terlihat oleh AI. SageMaker
```
sagemaker:studio-visibility : true
```
1. [Buat domain](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-quick-start.html).
1. Setelah SageMaker AI selesai membuat domain Anda, tambahkan tag nilai kunci berikut ke domain:
```
sagemaker:projectS3TemplatesLocation : s3://
```
Kemudian gunakan AWS konsol, Python, atau operasi [CreateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProject.html)dan [UpdateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateProject.html)API untuk membuat atau memperbarui SageMaker proyek dari template di dalam bucket S3.
------
#### [ Studio ]
**Buat proyek**
1. Buka konsol Amazon SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Buka konsol SageMaker Studio dengan mengikuti petunjuk di [Luncurkan Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. **Di panel navigasi kiri, pilih **Deployment**, **Projects, Create project**.**
1. Pilih **templat Organisasi** dan kemudian **Template S3** untuk melihat templat yang tersedia untuk Anda. Jika Anda tidak melihat template yang Anda harapkan, beri tahu administrator Anda.
1. Pilih template yang ingin Anda gunakan, lalu pilih **Berikutnya**.
1. Masukkan nama untuk proyek Anda, deskripsi opsional, dan bidang wajib lainnya. Setelah selesai, pilih **Buat**.
**Perbarui proyek**
1. Buka konsol Amazon SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Buka konsol SageMaker Studio dengan mengikuti petunjuk di [Luncurkan Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Pilih proyek yang ingin Anda perbarui. Pilih **Tindakan**, lalu pilih **Perbarui Proyek**.
1. Saat memperbarui proyek, Anda dapat memperbarui parameter templat atau URL templat. Setelah selesai, pilih **Berikutnya**.
1. Tinjau pembaruan proyek di tabel ringkasan, dan pilih **Perbarui**.
------
#### [ Python Boto3 ]
Setelah Anda membuat bucket S3 dan mengunggah template Anda, Anda dapat menggunakan contoh berikut untuk membuat SageMaker proyek.
```
sagemaker_client = boto3.client('sagemaker', region_name='us-west-2')
response = sagemaker_client.create_project(
ProjectName='my-custom-project',
ProjectDescription='SageMaker project with custom CFN template stored in S3',
TemplateProviders=[{
'CfnTemplateProvider': {
'TemplateName': 'CustomProjectTemplate',
'TemplateURL': f'https://.s3.us-west-2.amazonaws.com/custom-project-template.yml',
'Parameters': [
{'Key': 'ParameterKey', 'Value': 'ParameterValue'}
]
}
}]
)
print(f"Project ARN: {response['ProjectArn']}")
```
Untuk memperbarui SageMaker proyek, lihat contoh berikut.
```
sagemaker_client = boto3.client('sagemaker', region_name='us-west-2')
response = sagemaker_client.update_project(
ProjectName='my-custom-project',
ProjectDescription='SageMaker project with custom CFN template stored in S3',
TemplateProvidersToUpdate=[{
'CfnTemplateProvider': {
'TemplateName': 'CustomProjectTemplate',
'TemplateURL': f'https://.s3.us-west-2.amazonaws.com/custom-project-template.yml',
'Parameters': [
{'Key': 'ParameterKey', 'Value': 'ParameterValue'}
]
}
}]
)
print(f"Project ARN: {response['ProjectArn']}")
```
------